Acp

1

ACP et analyse factorielle après rotation varimax

Le Monde Dossiers et Documents (n° 266, Juin 98) a consacré un dossier aux classes sociales aujourd’hui. Dans un des articles consacrés à ce sujet figurait le tableau suivant qui retrace pour 11 catégories de profession figurant en lignes le pourcentage de personnes interrogées se sentant se ntant appartenir à l’une des 6 classes sociales social es proposées. (ex: 43% des agriculteurs se sont auto-décrits comme appartenant à la classe moyenne inférieure). Les absences de réponses ne figurent pas dans ce tableau, ce qui explique que les sommes par lignes ne soient pas égales à 100. PRIVilégié

AGRIculteur INDEpendant

AISE

Classe Moyenne SUpérieure

Classe Moyenne INférieure

CLasses POpulaires

DEFAvoris é

4,7

3,7

15

43

19,6

11,2 3,9

8,3

6,1 6, 1

33,7

35,4

12,2

CAdre SUpérieur ENSeignanT

5,8

14,6

56,3

18,8

2,9

4

8,7

7,9

54,8

26,2

0

1,6

PRofessions INtellectuelles CONTremaitre

5,3

4,7

40,8

37,7

8,9

1,1

6,9

3,5

34,2

43,1

9,9

2

4,3

3,3 3, 3

24,1

46,9

14,9

3,9

1,3

14,5

42,1

25

13,2

2,5

2,5

16,6

40,7

24,6

11,3

5

9,5

40,5

36,4

6,8

1,8

10,1

5,1 5, 1

19,7

36,5

18,5

9,6

EMPLoyé SERVices OUVRiers ETUDiants FEmme au FOyer

5,7

La première étape est de créer ce tableau de données, labels des variables, types (8.1). On utilise une colonne supplémentaire labelig pour donner des noms aux professions que l’on utilisera sur les graphiques :

2 La seconde étape est l’ACP proprement dite en utilisant le menu :

: On choisit toutes les variables autres que labelig pour faire l’analyse:

L’ACP consiste à calculer de nouvelles variables, les facteurs, qui sont fonction des anciennes et qui sont le plus informatives possibles à propos de l’ensemble des relations entre variables initiales et des ressemblances-dissemblances entre lignes-professions. Pour faire cela, on utilise à la base un indice qui mesure la quantité d’information initiale dans le tableau. Cette quantité, pour des raisons que l’on comprend difficilement sans une approche plus mathématique est égale à p=le nombre de variables=6. Chaque facteur va traduire une partie de cette information. Pour choisir le nombre de facteurs

3 intéressants à analyser, on s’intéresse dans un premier temps à la quantité d’information extraite par chacun d’entre eux. Pour étudier cet aspect, on utilise dans un premier temps, la seule option . Par défaut les réglages sont les suivants:

Dans , les valeurs propres (ou eigenvalues en anglais) correspondent aux quantités d’information extraites par chacun des facteurs. Par défaut SPSS propose de conserver tout facteur qui extrait une quantité d’information (valeur propre) supérieure à 1. Ceci se comprend dans la mesure où une variable prise isolément est porteuse d’une quantité d’information égale à 1. Un facteur qui extrait une quantité d’information moindre que 1 est donc moins porteur d’information qu’une variable prise isolément et par conséquence c onséquence n’a en général pas grand intérêt. intérê t. Par contre s’il porte une information supérieure à 1, il est plus informatif qu’une variable prise isolément, et donc peut avoir de l’intérêt. Cette règle, logique, est cependant peu performante. En effet lorsque l’on a beaucoup de variables, il y a un grand nombre de facteurs porteurs d’une quantité d’information supérieure à 1 et donc par cette règle, on retiendra beaucoup de facteurs, dont le nombre en rend l’interprétation souvent délicate. Au contraire, lorsqu’il y a peu de variables, on a souvent qu’une seule valeur propre supérieure à 1 et donc on ne retiendra qu’un facteur. Ceci est souvent dommage, car avoir un ou deux facteurs n’entraîne pas de difficultés d’interprétation très différentes, et en avoir 2 reste de toute manière plus informatif qu’en avoir 1 seul. La première étape est donc de lui demander de produire les valeurs propres pour qu’on les étudie et que l’on fixe sur cette base le nombre de facteurs que l’on va souhaiter utiliser. Ce qui se fait en réglant comme ceci le menu ci-dessus:

4

Cela fait, on peut envoyer l’analyse. La première chose qui en sort est le graphique des valeurs propres qui est un graphique qui présente par ordre d’importance les valeurs propress associées aux facteurs facte urs (le 1er étant toujours celui associé à la plus gra nde): Graphique des valeurs propres 5

4

3

2

e r p o r 1 p r u e l a V 0 1

2

3

4

5

6

Numéro du facteur

ou encore, après transformation à l’aide de l’éditeur graphique de SPSS: Graphique des valeurs propres 5

4

3

2

e r p o 1 r p r u e l a V 0 1

2

3

Numéro du facteur

4

5

6

5 On voit qu’est associé au premier facteur une valeur propre de 4 et quelque càd qu’il est porteur d’une quantité de 4,? d’information, soit 70% à peu près de l’info totale présente dans le tableau (4,?/6). Le second est beaucoup moins informatif avec une quantité d’à peu près 0,8, soit moins qu’une variable prise isolément. Le 3ème encore moins et les derniers n’apportent quasiment aucune information. On peut aller vérifier cela sur l’output: Variance totale expliquée

Composante 1 2 3 4 5 6

Valeurs propres initiales % de la Total variance % cumulés 4,262 71,026 71,026 ,826 13,759 84,785 ,760 12,671 97,455 ,118 1,962 99,418 ,033 ,550 99,967 ,002 ,033 100,000

Méthode d'extraction : Analyse en composantes principales.

Sous « Composante », on a le n° du facteur; lui correspond sous « Total » la quantité d’information qu’il porte (4,26 pour le 1er; 0,83 pour le 2ème, ...); sous « % de la variance » on a le % d’info contenue dans le tableau qui est extrait par ce facteur (71% pour 1; 13,8% pour 2, ...) et enfin sous « % cumulées» figure le % cumulé d’info extr ait par les facteurs f acteurs (par exemple, si on retenait re tenait 3 facteurs, alors le % d’info extrait serait sera it de 97,5%). Pour choisir combien de facteurs retenir, on a 2 règles: 1) On élimine les facteurs qui portent moins que 1, c’est-à-dire moins qu’une variable prise isolément. 2) Il intervient généralement une voire plusieurs rupture de pente sur le graphique des valeurs propres. C’est-à-dire que l’on passe d’un facteur représentant beaucoup d’informations à un autre en représentant nettement moins. On s’arrêtera au facteur précédant cette rupture de pente. Sur le graphique (a) ci-dessous on retiendrait donc seulement les deux premiers facteurs. D’autres configurations sont aussi possibles, par exemple un premier facteur qui représentera une relativement très forte part d’information puis deux axes suivants qui représenteront une relative forte part, puis une rupture de pente avec des valeurs propres suivantes qui se suivent et se ressemblent ((b) ci-dessous). On retiendra ici 3 valeurs propres (3 facteurs).

6

(a )

(b )

Exemples de courbes des valeurs propres p ropres associées asso ciées à une u ne analyse factorielle. Ces valeurs sont égales à la somme des carrés des rapports de corrélation des facteurs avec les variables. v ariables. En (a) on retiendra retien dra 2 axes. En (b) on en retiendra reti endra 3.

Dans le cas qui nous concerne, les 2 règles coïncident: on devrait logiquement ne retenir qu’un facteur. Cependant, on en retiendra en fait 2 car cela apporte un peu plus d’information sans pour autant rendre l’interprétation beaucoup plus complexe (mais nous sommes dans un cas très particulier car le tableau de données est très simple). On peut ensuite réellement aller faire l’analyse Factorisation : Analyse factorielle



retourner dans Analyse :

propose plusieurs méthodes d’extraction. Pour faire une analyse standard, on ne touchera pas à cette option. On enlèvera la croix dans Graphique des valeurs propres (on a déjà utilisé ce graphique) et on demandera à retenir 2 facteurs, d’après l’étape précédente. On demandera en plus l’option « Structure factorielle sans rotation » qui permet d’obtenir sur le plan numérique les corrélations entre les variables et les facteurs.

7 On pourra ensuite régler un certain nombre d’options : Dans , on pourra obtenir des statistiques descriptives de base sur les variables  On prendra ici qui donne moyennes et écarttypes et inter-variables.

dans

qui donne la matrice des corrélations

permet d’utiliser une analyse avec rotation. Dans un premier temps, on s’en passera pour étudier les associations entre variables sous forme de continuum. La seule option que nous cocherons est fourniture des plans factoriels associés aux variables.

Enfin variables

qui correspond à la

permet d’avoir les scores des lignes (professions ici) sur les synthétiques que sont les facteurs. On cochera l’option

qui amène le logiciel à sauvegarder ces scores dans le fichier initial à l’aide de nouvelles colonnes.

L’étape suivante est celle de l’interprétation du coté variable (catégorie). La première chose est d’aller voir les moyennes et les variances dans l’output:

8 Statistiques descriptives

PRIV AISE CMSU CMIN CLPO DEFA

Moyenne 5,9545 5,6545 31,8364 36,9818 13,0273 5,9455

Ecart-type 2,30103 3,79720 15,21041 8,13914 8,32155 4,53219

n analyse 11 11 11 11 11 11

On voit que les classes pour lesquelles les % moyens de sentiment d’appartenance sont les plus forts sont les classes moyennes: plus particulièrement inférieure et en partie supérieure. Viennent ensuite les classes populaires puis les classes “honteuses”: défavorisée, aisée et privilégiée. 

En termes de variance, il est clair que plus les % moyens sont élevés et plus cela varie et inversement. On notera quand même la variance particulièrement forte de CMSU relativement à sa moyenne: il est clair que certaines professions ont dû particulièrement éviter cette dénomination alors que d’autres y adhérent allègrement. Il en est un peu de même pour CLPO. Ces choses en tête, on peut aller ensuite regarder les corrélations inter-variables via le graphique (plan 1-2) des corrélations des variables avec les 2 premiers facteurs. Le graphique qui sort automatiquement pour celles-ci est:

Diagramme de composantes 1,0 priv

,5 cmin

clpo

0,0cmsu defa aise

2 e t n -,5 a s o p m o C -1,0 -1,0

-,5

0,0

,5

1,0

Composante 1

Celui-ci nous dit qu’il existe des corrélations fortement positives entre cmin, clpo et defa avec le 1er facteur càd qu’à de fortes valeurs du facteur correspondent de fortes valeurs de ces variables et vice-versa. Par un principe de transitivité, on en conclut que ces variables sont fortement corrélées positivement, ce qui signifie que les professions où l’on a le plus un sentiment d’appartenance à clpo par exemple sont aussi celles où on a les plus forts sentiments d’appartenance à defa et cmin. Attention cependant ! Ceci ne signifie pas que les professions qui ont de fortes coordonnées sur le facteur se sentent

9 très clpo ou defa par exemple (cf. les moyennes: ces 2 classes sont en moyenne très peu représentées). Ceci signifie que les plus forts sentiments d’appartenance à ces classes ont été donné par les mêmes professions, relativement aux autres professions (p.e. 11,2% d’agriculteur se sentent défavorisés,ce qui est moins par rapport aux 15% qui se sentent dans cmsu, cependant, relativement aux autres professions (en moyenne), c’est un score très important). De même, il existe des corrélations fortement positives entre cmsu et aisé et dans une moindre mesure avec priv: les professions se sentant les plus cmsu sont aussi celles qui se sentent les plus aisé ou priv (ici aussi, cela ne signifie pas qu’elles se sentent majoritairement priv ou aisé, mais que relativement aux autres professions, elles se sentent parmi les plus priv ou aisé). Les 2 paquets de variables étant opposés sur l’axe 1, il existe une corrélation fortement négative entre les variables y participant: les professions répondant le plus dans un des groupes sont aussi celles qui répondent le moins dans l’autre et vice-versa. Enfin, priv se différencie sur l’axe 2: certaines professions se sentant à la fois aisé, cmsu et priv se sentent plus particulièrement priv et celles-ci apparaîtront sur l’axe 2. remarque: Ceci souligne l’aspect marginal de cet axe qui ne porte de l’information intéressante qu’à propos d’une des variables. C’est très souvent le cas en acp, où les axes d’ordre éloigné traduisent une information très réduite. Ceci est apparent en général dès l’observation de la courbe des valeurs propres. Cette première interprétation peut être confirmée en jetant un coup d’œil sur la matrice des corrélations. On y voit apparaître les 2 grands groupes de variables corrélées de manière interne positivement et négativement d’un groupe à l’autre. On voit que PRIV, bien que corrélée positivement avec cmsu et aisé l’est moins que le sont ces deux variables entre elles; et bien que corrélée négativement aux variables de l’autre groupe, l’est moins que ne le sont cmsu et aisé. Matrice de corrélation

Corrélation


PRIV 1,000 ,282 ,353 -,395 -,437 -,359

AISE ,282 1,000 ,818 -,882 -,767 -,529

CMSU ,353 ,818 1,000 -,805 -,966 -,839

D’autres informations apparaissent dans l’ouput:

CMIN -,395 -,882 -,805 1,000 ,690 ,392

CLPO -,437 -,767 -,966 ,690 1,000 ,899

DEFA -,359 -,529 -,839 ,392 ,899 1,000

10 a) liste des corrélations variables-facteurs (-0,50153=correl entre facteur 1 et PRIV): Matrice des composantes


a

Composante 1 2 -,502 ,782 -,874 -,326 -,975 -,106 ,839 ,242 ,963 -,047 ,814 -,188

Méthode d'extraction : Analyse en composantes principales. a. 2 composantes extraites.

b) Pour chaque variable, part de variances prise en compte par les 2 premiers facteurs (Extraction)  plus c’est élevé (proche de 1), mieux l’ensemble de l’information contenue dans la variable (et ses relations avec les autres variables à forte Extraction) est prise en compte. Qualité de représentation


Initial 1,000 1,000 1,000 1,000 1,000 1,000

Extraction ,863 ,870 ,962 ,763 ,930 ,699


c) enfin le logiciel sauvegarde les facteurs dans le tableau de données sous la forme de 2 nouvelles variables:

Ce qui permet d’aller étudier sous forme d’un graphique bivarié les professions au regard des variables qui les caractérisent:

11

Il faut régler ici les options pour que le graphique présente effectivement les étiquettes des professions en cliquant sur :

On obtiendra (après un petit travail sous l’éditeur graphique):

12 2,0 FEFO 1,5 CONT INDE

1,0 ENSE ,5

PRIN

EMPL

0,0

AGRI SERV

ETUD

-,5

-1,0

OUVR

1 r -1,5 u e t c a -2,0 f

CASU

-2,0

-1,5

-1,0

-,5

0,0

,5

1,0

1,5

2,0

facteur 2

L’interprétation se fait alors au regard de ce que l’on a dit pour les variables: OUVR, SERV, AGRI et dans une moindre mesure EMPL sont les professions qui se sentent parmi les plus DEFA, CLPO et CMIN. Il existe de petites variations à l’intérieur de ce groupe: Parmi celles-ci, les OUVR sont ceux qui se sentent le moins CMIN (descente le long de l’axe 2), il est aussi possible que leur sentiment très faible par rapport r apport aux autres professions de se sentir PRIV explique cette descente le long l ong de l’axe 2. ENSE et CASU se sentent parmi les plus aisés et cmsu. L’aspect PRIV fait alors la différence entre les 2: les ENSE font leur mea culpa alors que les CASU estiment certainement qu’ils le méritent bien (donc ne sont pas PRIV). Enfin, il y a un certain nombre de professions “intermédiaires” qui se sentent manifestement très partagées entre ces divers postes: ETUD, PRIN plutôt cmsu et aisé mais avec de forts pourcentages pour CMIN. INDE et CONTR très partagés entre CMIN et CMSUP (un peu plus sup cependant) et enfin FEFO plutôt CMIN mais là aussi très partagé. On voit que l’aspect PRIV joue un rôle finalement non négligeable qui positionne ces indécis le long de l’axe 2: les Fefo se sentent, relativement aux autres professions, plus priv, de même mais dans une moindre mesure les INDE et les l es CONT. Les étudiants par contre sont plutôt peu nombreux (ici aussi par rapport aux % donnés par les autres professions) à se sentir se ntir PRIV. Dans certains cas, il est intéressant de pousser plus loin l’analyse en utilisant des rotations qui appuient plus particulièrement sur les dimensions importantes. Utiliser une rotation varimax est très simple dans SPSS: une fois que l’analyse précédente a été faite, il suffit de la refaire en utilisant dans la partie l’option:

du menu principal

et en demandant à nouveau de sauvegarder les facteurs qui en sont issus.

13

Les résultats au niveau graphiques (mêmes procédures que pour l’analyse sans rotation) sont alors les suivants:

Pour les variables-classes sociales: Diagramme de composantes dans l'espace après rotation 1,0

priv

,5 cmsu aise 0,0

cmin

2 e -,5 t n a s o p m o C -1,0 -1,0

defa

-,5

0,0

,5

clpo

1,0

Composante 1

Pour les individus-professions (qu’il faudrait retravailler pour avoir des formats correspondant aux échelles):

14 1,5

FEFO ENSE INDE CONT

1,0

,5 PRIN 0,0 EMPL

ETUD -,5

AGRI CASU SERV

-1,0

1 r -1,5 u e t c a -2,0 f

OUVR

-2,5

-2,0

-1,5

-1,0

-,5

0,0

,5

1,0

1,5

facteur 2

On voit ici que cette analyse diffère peu de la précédente si ce n’est qu’elle a “orthogonalisé” la variable PRIV par rapport aux autres groupes; ce qui apparaît à la limite comme regrettable ici car c’est une variable qui n’est pas du tout indépendante des autres. Ainsi par exemple, les ENST se sentent d’abord CMSU et ensuite seulement priv, ce qui n’est pas évident à lire ici. On utilisera donc ce type de rotations lorsque les associations entre variables sont si imbriquées que l’analyse en est rendu difficile et qu’un autre point de vue sur les données “éliminant” les associations les plus faibles pour ne garder que les plus importantes peut s’avérer utile pour l’interprétation.

Remarque: les rotations ne donnent pas le même résultat selon le nombre de facteurs retenus. D'où la nécessité encore plus grande de bien choisir son nombre de facteurs. En général, la règle de décroissance des valeurs propres permet de bien faire ressortir les dimensions importantes. Pour de petits fichiers, retenir les facteurs de valeurs propres supérieures à 1 amène, sauf cas particulier, au même résultat. Pour de gros fichiers, la première règle rè gle amène en général à retenir rete nir moins de facteurs que la seconde. Le résultat en est souvent qu’au niveau des rotations, on fera ressortir avec la seconde soit des facteurs redondants càd que certaines variables auront une expression au niveau de plusieurs facteurs-dimensions mis en évidence par la rotation ou encore que certaines variables s’exprimeront seules sur des facteurs-dimensions mises en évidence. Il n’y a cependant pas de règle unique et la meilleure stratégie est de creuser dans ses données en faisant éventuellement tourner plusieurs fois les analyses en retenant des nombres différents de facteurs à chaque fois. Pour des solutions concurrentes, comme d’habitude, l’outil statistique s’efface devant l’argumentation expérimentale.

15

ACP sur les lignes Bien que ceci ne soit pas tout à fait orthodoxe, nous pouvons inverser le rôle des professions et des classes d’appartenance pour réaliser une seconde ACP. Ceci nous permettra un second point de vue sur les le s observations. Pour obtenir cette analyse, anal yse, il faut d’abord transposer le tableau à l’aide de:

On obtient alors le tableau:

dans lequel les colonnes correspondent maintenant aux professions et seront traitées en tant que variables dans l’ACP future et les lignes sont les classes sociales qui seront traitées en tant qu’individus. La colonne case-lbl permet de conserver les étiquettes initiales des classes sociales pour les graphiques. Les mêmes procédures que précédemment amènent aux graphiques et résultats suivants:

16 Statistiques Statistiques descriptives

AGRI INDE CASU ENSE PRIN CONT EMPL SERV OUVR ETUD FEFO

Moyenne 16,2000 16,6000 17,0667 16,5333 16,4167 16,6000 16,5333 16,6667 16,3667 16,6667 16,5833

Ecart-type 14,45503 14,18196 20,23222 20,92861 17,88568 17,52575 16,87716 15,04748 14,63006 17,10715 11,24925

n analyse 6 6 6 6 6 6 6 6 6 6 6

Les moyennes ont peu d’intérêt car il s’agit d’un % moyen de réponse dans les diverses classes, qui est à peu près égal à 100/6=16,6667. Les indécis ne figurant pas dans le tableau, ces % moyens devraient être proches mais inférieurs à ce nombre. On voit que l’un d’entre eux dépasse: 100% des CASU ont répondu, ce qui permet de souligner certainement une erreur de saisie (même au Monde !), dont on supposera qu’elle n’a pas trop d’incidence sur les interprétations que l’on pourra faire. Les variances, qui soulignent les sentiments plus ou moins homogènes des professions sont plus intéressantes: les fefoy sont les moins identifiées à une classe particulière ( des scores qui pour chaque classe, ne s’éloignent en moyenne pas trop de la moyenne  une faible variance), viennent ensuite les INDE, AGRI, CASU,...;, les CASU et ENST sont ceux qui ont les choix (ou les évitements) les plus ciblés => certains postes sont très éloignés de la moyenne des réponses, ce qui crée de la variance. Evidemment ces réflexions s’appuient à la fois sur les variances et sur le tableau initial. Les valeurs propres soulignent la présence d’un facteur très important (77,4% de l’ensemble de l’info portée par les professions est traduite par ce facteur), puis d’un autre nettement moins (21,5%) mais qui se détache cependant nettement des suivants (0,8%; 0,3%,...)  on gardera ici aussi 2 facteurs. Graphique des valeurs propres 10

8

6

4

e r p o r p r u e l a V

2

0

-2 1

2

3

Numéro de composant

4

5

6

7

8

9

10

11

17 Variance totale expliquée

Composante 1 2 3 4 5 6 7 8 9 10 11

Valeurs propres initiales % de la Total variance % cumulés 8,516 77,420 77,420 2,362 21,468 98,888 ,085 ,774 99,662 ,028 ,257 99,919 ,009 ,081 100,000 5,54E-16 5,035E-15 100,000 9,37E-17 8,519E-16 100,000 7,96E-17 7,240E-16 100,000 -2,5E-16 -2,23E-15 100,000 -4,6E-16 -4,14E-15 100,000 -7,6E-16 -6,90E-15 100,000

Extraction Sommes des carrés des facteurs retenus % de la Total variance % cumulés 8,516 77,420 77,420 2,362 21,468 98,888


Les corrélations soulignent que toutes les professions ont à peu près répondu de la même manière (corrélations fortement positives avec le premier axe  corrélations positives entre professions). profess ions). L’axe 2 permet cependant d’éclater d’éc later un peu ces professions: professi ons: CASU et ENST vers le haut; OUVR, AGRI, SERV vers le bas: ces deux grands groupes sont ceux qui ont répondu de la manière la plus différenciée. Au milieu viennent les autres professions qui peuvent tendre plutôt vers un groupe ou plutôt vers l’autre.

Diagramme de composantes 1,0 casu ense ,5

etud prin inde cont

0,0 empl fefo

2 e t n -,5 a s o p m o C -1,0

agri ouvr serv

-1,0

-,5

Composante 1

0,0

,5

1,0

18 Matrice Matrice de corrélation AGRI INDE CASU ENSE PRIN CONT EMPL SERV OUVR ETUD FEFO

AGRI 1,000 ,740 ,121 ,284 ,670 ,801 ,951 ,983 ,982 ,619 ,971

INDE ,740 1,000 ,733 ,845 ,993 ,991 ,907 ,671 ,723 ,975 ,855

CASU ,121 ,733 1,000 ,972 ,804 ,656 ,401 ,045 ,129 ,839 ,283

ENSE ,284 ,845 ,972 1,000 ,898 ,789 ,556 ,197 ,269 ,917 ,454

PRIN ,670 ,993 ,804 ,898 1,000 ,975 ,861 ,595 ,654 ,991 ,794

CONT ,801 ,991 ,656 ,789 ,975 1,000 ,946 ,725 ,767 ,956 ,898

EMPL ,951 ,907 ,401 ,556 ,861 ,946 1,000 ,897 ,920 ,827 ,982

SERV ,983 ,671 ,045 ,197 ,595 ,725 ,897 1,000 ,994 ,527 ,944

OUVR ,982 ,723 ,129 ,269 ,654 ,767 ,920 ,994 1,000 ,592 ,955

ETUD ,619 ,975 ,839 ,917 ,991 ,956 ,827 ,527 ,592 1,000 ,738

La carte factorielle 1-2 des lignes classes sociales permet de conclure: L’axe 1 est essentiellement déterminé par l’opposition classes moyennes-autres classes: toutes les professions se reconnaissent reconnaiss ent majoritairement dans les classes moyennes et très trè s peu dans les classes “extrêmes”. Le second axe nuance les choses essentiellement en mettant en évidence que CMIN est plus particulièrement choisie par AGRI, OUVR, EMP, SERV et CMSU par ENST et CASU; les autres professions jouant des rôles intermédiaires ici. De plus CLPO se trouve du côté de CMIN (ainsi que dans une moindre mesure DEFA et inversement pour PRIV et AISE): cette classe se caractérise principalement par de forts choix des AGRI, OUVR, ... 2,0 CMSU 1,5

1,0

,5

AISE PRIV

0,0 DEFA

2 -,5 r u e t c a -1,0 f

CMIN

CLPO

-1,0

-,5

0,0

,5

1,0

1,5

2,0

facteur 1

Pour ne pas conclure, on peut dire que ces deux analyses se révèlent très complémentaires: -la première souligne l’opposition classique “sentiment de richesse ”-“sentiment de pauvreté” ainsi qu’une dimension qui, bien que se trouvant majoritairement du côté des “riches” a aussi une expression du côté des “pauvres”: le sentiment d’être privilégié tient à priori surtout à des conditions de travail annexes au côté purement matériel des choses: (à priori indépendance pour les INDE; culpabilité et rôle bien intégré pour FEFO; culpabilité pour les ENST; mélange des genres chez les CONT; ...).

FEFO ,971 ,855 ,283 ,454 ,794 ,898 ,982 ,944 ,955 ,738 1,000

19 -la seconde souligne combien les antagonismes sont faibles: tout le monde se sent CM et ce n’est que sur les marges que certaines professions ont des identifications plus fortes (OUVR et CLPO ou DEFA; CASU et AISE;...). On retrouvait cela, mais de manière beaucoup moins détaillée en analysant les moyennes initiales pour les classes sociales. Les deux points de vue sur les données se révèlent donc assez informatifs. Le premier amène à une typologie des professions en fonction des classes sociales; le second à une typologie des classes sociales en fonction des professions.

Acp

Recommend Documents